计算机视觉三大子任务详解：图片分类、目标检测与图像分割的实战入门指南

1次阅读

共计 2675 个字符，预计需要花费 7 分钟才能阅读完成。

计算机视觉（Computer Vision）作为人工智能的重要分支，正在深刻改变我们的生活和工作方式。从自动驾驶汽车实时感知周围环境，到医疗影像辅助诊断疾病，再到智能手机中的人脸识别解锁，计算机视觉技术已经渗透到各个领域。根据 MarketsandMarkets 的报告，全球计算机视觉市场规模预计将从 2022 年的 140 亿美元增长到 2027 年的 220 亿美元，年复合增长率达 9.3%。

图片分类是计算机视觉中最基础的任务，目标是给输入的图片分配一个类别标签。例如，判断一张图片是 ” 猫 ” 还是 ” 狗 ”。技术特点是处理整张图片作为输入，输出单个类别标签。

社交媒体内容审核（识别违规图片）
电商平台商品分类
医学影像诊断（如 X 光片分类）

传统方法：SIFT+HOG+ 手工设计特征
2012 年：AlexNet（首个深度卷积神经网络 CNN）
后续发展：VGG、ResNet、EfficientNet
最新趋势：Vision Transformer（ViT）

import torch
import torchvision
from torchvision import transforms

# 数据预处理
transform = transforms.Compose([transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

# 加载预训练模型
model = torchvision.models.resnet50(pretrained=True)
model.eval()

# 推理示例
input_image = transform(Image.open("cat.jpg")).unsqueeze(0)
with torch.no_grad():
    output = model(input_image)
    _, predicted = torch.max(output.data, 1)
    print(f"预测类别: {predicted.item()}")

目标检测不仅要识别图片中的物体类别，还要确定它们的位置（通常用边界框表示）。例如，在一张街景图片中检测行人、车辆等。技术特点是输出多个物体的类别和位置信息。

自动驾驶中的障碍物检测
零售货架商品检测
视频监控中的异常行为检测

传统方法：Haar 特征 +AdaBoost
2014 年：R-CNN 系列（区域提议）
2016 年：YOLO（单阶段检测）
最新发展：DETR（基于 Transformer）

from torchvision.models.detection import fasterrcnn_resnet50_fpn

# 加载预训练模型
model = fasterrcnn_resnet50_fpn(pretrained=True)
model.eval()

# 推理
outputs = model(input_image)
for box, label, score in zip(outputs["boxes"], outputs["labels"], outputs["scores"]):
    if score > 0.5:  # 置信度阈值
        print(f"检测到物体: {label.item()}, 位置: {box.tolist()}, 置信度: {score.item()}")

图像分割分为语义分割（semantic segmentation）和实例分割（instance segmentation），前者将图片中每个像素分类到某类别，后者还能区分同类别的不同实例。例如，在医学图像中分割肿瘤区域。

医学影像分析（器官分割）
自动驾驶场景理解
虚拟背景替换

2015 年：FCN（全卷积网络）
2017 年：U-Net（医学图像经典）
2018 年：Mask R-CNN（实例分割）
最新发展：Swin Transformer

from torchvision.models.segmentation import deeplabv3_resnet50

# 加载模型
model = deeplabv3_resnet50(pretrained=True)
model.eval()

# 推理
output = model(input_image)["out"]
segmentation_map = torch.argmax(output.squeeze(), dim=0)
plt.imshow(segmentation_map)  # 可视化分割结果

特性	图片分类	目标检测	图像分割
输入	整张图片	整张图片	整张图片
输出	类别标签	边界框 + 类别	像素级分类
计算复杂度	低	中	高
典型应用	内容识别	场景理解	精细分析